[發明專利]自動駕駛模型用樣本獲取方法、訓練方法、裝置及系統

有效

• 申請號: 202011129255.X
• 申請日: 2020-10-21
• 公開（公告）號: CN111967450B
• 公開（公告）日: 2021-02-26
• 發明（設計）人: 陳翔;樊瀟
• 申請（專利權）人: 寧波均聯智行科技股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京市萬慧達律師事務所 11111
• 代理人: 段曉玲

本發明公開了一種自動駕駛模型用樣本獲取方法、訓練方法、裝置及系統，屬于自動駕駛技術領域。其中樣本獲取方法包括：獲取路況圖像，路況圖像由車載拍攝設備或者路側拍攝設備拍攝；對路況圖像分類，確定待驗證圖像；生成包含待驗證圖像的圖像組合，根據圖像組合生成圖片驗證碼，用于用戶驗證；接收用戶完成驗證后返回的標記圖像組合，根據標記圖像組合確定待驗證圖像的標簽，將確定標簽的路況圖像作為樣本。本發明作為采用分類模型確定樣本標簽的補充，解決了某些圖片無法通過分類模型確定標簽的問題，并且通過拍攝設備、車載單元、路側單元的交互實時獲取路況圖像，能夠實現對模型的及時訓練，使模型滿足在復雜路況上的駕駛需求。

技術領域

本發明涉及自動駕駛技術領域，特別涉及一種自動駕駛模型用樣本獲取方法、訓練方法、裝置及系統。

背景技術

神經網絡模型在自動駕駛技術中的應用，主要是根據輸入的車輛行駛環境數據和車輛車況數據輸出車輛行為決策。其中，根據車輛行駛環境數據輸出的車輛行為決策以根據路況圖像確定車輛行為決策類別為主。在自動駕駛模型的訓練過程中，需要大量的帶標簽的路況圖像作為樣本，將自動駕駛模型訓練成為能夠根據路況圖像準確確定車輛行為決策的模型，由于帶標簽的路況圖像需求量巨大，且收集到的原始路況圖像質量不一，導致為原始路況圖像打標簽成為自動駕駛模型訓練中的難題。

現有技術中，為路況圖像打標簽主要通過打標機器或者人工眾包的方式進行，機器打標存在打標不準確以及不能打標的問題，人工打標需要耗費大量的人力，且打標效率較低，因此現有技術中的打標方法影響了自動駕駛模型的準確性和效率。

發明內容

為了解決現有技術的問題，本發明實施例提供了一種自動駕駛模型用樣本獲取方法、訓練方法、裝置及系統。所述技術方案如下：

第一方面，提供了一種自動駕駛模型用樣本獲取方法，所述方法包括：

獲取路況圖像，所述路況圖像由車載拍攝設備或者路側拍攝設備拍攝；

對所述路況圖像分類，確定待驗證圖像；

生成包含所述待驗證圖像的圖像組合，根據所述圖像組合生成圖片驗證碼，用于用戶驗證；

接收用戶完成驗證后返回的標記圖像組合，根據所述標記圖像組合確定所述待驗證圖像的標簽，將確定標簽的所述路況圖像作為樣本。

進一步地，所述將所述路況圖像分類，確定待驗證圖像，包括：

檢測所述路況圖像中的目標；

利用分類模型根據所述目標對所述路況圖像分類，獲得所述路況圖像在各類別中的分類置信度；

將所述分類置信度與分類置信度條件對比，若存在滿足所述分類置信度條件的類別，則確定所述路況圖像為已分類圖像，根據該類別確定所述已分類圖像的標簽，若不存在滿足所述分類置信度條件的類別，則確定所述路況圖像為未分類圖像，所述未分類圖像為所述待驗證圖像。

進一步地，所述生成包含所述待驗證圖像的圖像組合，根據所述圖像組合生成圖片驗證碼，包括：

根據所述分類置信度對所述未分類圖像對應的類別排序，將排序最高的類別作為所述未分類圖像的第一驗證類別，將滿足排序條件的類別作為所述未分類圖像的第二驗證類別；

按照第一組合規則，將所述未分類圖像與屬于所述第一驗證類別的已分類圖像、屬于所述第二驗證類別的已分類圖像組合，生成所述圖像組合；

根據所述圖像組合生成圖片驗證碼。

進一步地，所述生成包含所述待驗證圖像的圖像組合，根據所述圖像組合生成圖片驗證碼，還包括：

判斷所述已分類圖像對應的類別是否為特定類別，若是，則根據屬于所述特定類別的所述已分類圖像生成所述圖像組合，根據所述圖像組合生成所述圖片驗證碼。